从1W到100W基金投资复盘01-今日持仓记录

从今天起记录我的基金投资和仓位管理。

当前持仓金额:9877.45元,盈亏:-31.56元。

今日复盘:

1、今日科创50指数继续大幅下跌,指数选择错误,好在仓位控制较低,对整体影响有限,暂停定投,等待合适估值继续定投;

2、低位的白酒和红利低波表现较好,后续选择基金也需要按科学方法选择。

仓位管理逻辑:

1、债券和股票的比例:40%:60%;(年龄30-40岁)

2、股票基金比例:黄金基金10%:红利低波基金30%:其他指数或主题基金20%;

3、指数或主题基金比例(当前):量化4%:沪深300 4%:中证白酒 4%:动漫游戏4%:科创50 4%;

4、以上为基准仓位分配,实际定投仓位需要通过计算得到指导仓位,同时采用动态平衡策略,后期基金积累到一定份额后,每月进行一次动态调仓,实现股债平衡,即股票上涨过多时卖出股票补入债券,股票下跌过多时卖出债券补入股票,保证债券和股票的比例维持:4:6;

5、指导仓位计算公式:基准仓位 x (1-基金当前估值百分比)x (市场估值星级/5) 

例如沪深300当前估值百分位为75.67%,市场估值星级4.3星,指导仓位计算结果:

                4%*(1-75.67%)*(4.3/5)=0.836%

                按总投入金额16000计算,指导定投金额:16000*0.836%=133.93元

核心理念:估值高时少投,估值低时多投,金字塔补仓

6、单只基金补仓计算逻辑:

(1)将定投金额分成N份(N=总金额/每期计划投入金额),总金额就是上面计算的指导定投金额;

(2)将第一期定投的基金净值作为基础价格,后面定投的时候,如果基金净值上涨了,就少投,基金净值下跌了,就多投,具体的计算方法(采用恒定仓位补仓法)后面有机会再详述。

(3)使用基金的基础价格与当前价格计算基金净值上涨或下跌的比例,加到基金的基础估值上,得到基金的当前估值百分比。例如:

        沪深300我第一期投入时基金净值1.19520 基础估值80%,当前基金净值1.8674,下跌4.33%,基金当前估值百分比=80%-4.33%=75.67%

基金选择逻辑:

1、错误教训:我一开始选择时纯粹是靠感觉,选择了红利低波、量化、沪深300、中证白酒、动漫游戏、科创50,目前来看量化、沪深300和科创50都属于高估区域,定投后出现了明显回撤,虽然这种长期向上的指数基金拉长投资年限后,在高点和低点定投收益差别不大,但是短期浮亏还是比较考验心态,以后要避免;

2、科学的方法:最近新学到了一个科学选基的方法,计算这个基金的估值能否满足回撤是上涨的1/2,例如:

        1只基金历史最低市盈率是16,最高是30,当前是20,

        最大回撤预期是:(20-16)/20=20%,

        最大上涨预期是:(30-20)/20=50%,

        最大上涨预期>2*最大回撤预期,此时就是可以开始定投的合适估值。

内容概要:本文围绕“基于改进秃鹰算法的微电网群经济优化调度”展开研究,提出了一种改进的秃鹰搜索算法(BES),旨在解决微电网群在复杂运行环境下的多目标、强约束、非线性及高维经济调度问题。通过引入特定优化策略,增强了基础算法的全局搜索能力和收敛效率,克服了传统智能算法易陷入局部最优的缺陷。研究构建了一个包含分布式电源、储能系统与多元负荷的微电网群调度模型,以最小化系统综合运行成本为核心目标,综合考虑功率平衡、设备出力能力、储能运行特性等多重约束条件。通过仿真实验验证了所提算法在调度精度、稳定性和计算效率方面相较于传统方法具有明显优势,并进一步展示了其在降低能源开支、提升可再生能源消纳水平方面的实际应用价值。; 适合人群:具备一定电力系统基础知识或优化算法背景,从事新能源调度、智能优化算法研究与应用等相关领域的研究生、科研人员及工程技术人员。; 使用场景及目标:①应用于微电网群、综合能源系统等场景下的经济调度优化;②为秃鹰算法及其他群体智能算法的改进、复现与性能对比提供参考范例;③服务于科研仿真、算法验证及工程化应用需求。; 阅读建议:建议读者结合文中提供的Matlab代码实现进行实践操作,重点关注算法改进机制与调度模型的构建逻辑,同时可借助网盘资源获取完整资料,以加深对算法性能表现与应用场景的理解。
内容概要:本文围绕“多种改进粒子群算法在深度神经网络卸载策略中的比较研究”展开,系统探讨了边缘计算环境下基于启发式优化算法的DNN任务卸载问题。文章首先剖析了传统粒子群算法(PSO)的基本原理及其在收敛性和全局搜索能力方面的局限性,继而深入介绍四种代表性改进算法:自适应权重PSO、混合遗传PSO、模拟退火PSO以及多目标PSO,详述其在提升寻优效率、增强鲁棒性及应对复杂多约束场景下的机制与优势。研究通过构建DNN卸载模型,设计多维度性能评估体系,在延迟、能耗、资源利用率等关键指标上对各类算法进行对比实验分析,进而提出面向不同应用场景的算法选型策略与优化建议。该工作为边缘智能系统中的计算任务调度提供了理论支撑与实践指导。; 适合人群:具备一定人工智能与优化算法基础,从事边缘计算、物联网、智能系统优化等相关领域的研究生、科研人员及工程技术人员。; 使用场景及目标:① 掌握多种改进粒子群算法的核心思想与实现机制;② 理解深度神经网络在边缘-云协同环境下的任务卸载建模方法;③ 学习如何通过仿真实验对比不同启发式算法的性能差异,并根据实际需求选择最优算法方案; 阅读建议:建议结合提供的Matlab代码实现进行动手实践,重点关注算法参数调优、适应度函数设计及实验结果可视化分析过程,以深入理解算法行为与系统性能之间的内在关联。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

每日干货分享

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值